通过生成进行探索：将GFlowNets应用于结构化搜索

本工作将生成式流网络（GFlowNets）应用于三个图优化问题：旅行商问题、最小生成树和最短路径。GFlowNets是一种生成模型，能够根据奖励函数对解决方案进行比例抽样。模型使用轨迹平衡损失进行训练，通过逐步构建解决方案来实现，从而选择生成树的边、路径的节点以及旅游的城市。在不同规模基准实例上的实验表明，GFlowNets能够学习找到最优解。对于每种问题类型，都测试了多个具有不同节点数量的图配置。生成的解决方案与经典算法（最短路径的Dijkstra算法、最小生成树的Kruskal算法以及TSP的精确求解器）的解决方案相匹配。训练收敛取决于问题复杂度，随着图的大小增长，所需的剧集数量以增加。一旦训练收敛，生成的解决方案在所测试的实例中都与经典算法已知的最优解相匹配。这一工作表明，生成模型可以通过学习的策略来解决组合优化问题。这种基于学习的方法的主要优势是计算可扩展性：虽然经典算法对于每个实例都具有固定复杂度，但GFlowNets通过训练来摊薄计算成本。在有足够计算资源的情况下，该框架可能能够扩展到规模更大的问题实例，其中经典的精确方法变得不可行。